公共文化服务平台

基于MAP的高光谱图像超分辨率方法被引量：5: 2010年; 高光谱图像得到了越来越广泛的应用,但较低的空间分辨率严重地影响着它的应用效果;其超分辨率方法受到学术界的高度重视,但一直没有得到很好的解决。为此重点研究了建立低分辨率资源图像与高分辨率目标图像之间的关系模型;引入关联感兴趣光谱端元的算子进行空间变换;应用最大后验概率(MAP)算法实现超分辨率复原。实验表明,该超分辨率方法具有超分辨率效果好、复杂度低、抗噪声性能强和保护感兴趣类别等优点。; 王立国赵妍; 关键词：高光谱图像超分辨率

基于线性最小二乘支持向量机的光谱端元选择算法被引量：5: 2010年; 光谱端元选择是高光谱数据解混分析的重要前提。在各种端元选择算法中,N-FINDR算法因其自动性和高效性受到广泛欢迎。然而,该算法需要进行数据降维预处理,且包含大量的体积计算导致该算法的运算速度较慢,限制了该算法的应用。为此提出基于线性最小二乘支持向量机的N-FINDR改进算法,该算法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。实验结果表明,基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低,鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。; 王立国邓禄群张晶; 关键词：高光谱图像

结合APO算法的高光谱图像波段选择被引量：10: 2013年; 提出了结合拟态物理学优化(APO)算法的高光谱图像波段选择方法.该方法中采用了类间可分性和波段组合的信息量两个主要性能指标的权重组合作为适应度函数.此外,在波段选择之前对高光谱图像进行了子空间划分,使得最优解中的波段间相关性较小,冗余度低.利用AVIRIS图像对提出的算法与经典算法中蚁群算法、遗传算法和粒子群算法进行实验,实验结果证明了本文算法较经典算法在所选波段性能和计算耗时方面都获得令人满意的效果.; 王立国魏芳洁; 关键词：高光谱图像波段选择适应度函数

基于改进三重训练算法的高光谱图像半监督分类被引量：8: 2016年; 高光谱数据维数高,有标签的样本数量少,给高光谱图像分类带来困难。本文针对传统三重训练(tri-training)算法在初始有标签样本数量较少的情况下分类器间差异性不足的问题提出了一种基于改进三重训练算法的半监督分类框架。该方法首先通过边缘采样策略(margin Sampling,MS)选取最富含信息量的无标签样本,然后在训练每个分类器之前通过差分进化算法(differential evolution,DE)利用所选取的无标签样本产生新的样本。这些新产生的样本将被标记并且加入训练样本集来帮助初始化分类器。实验结果表明,该方法不仅能够有效地利用无标签样本,而且在有标签数据很少的情况下能够有效地提高分类精度。; 王立国杨月霜刘丹凤; 关键词：高光谱图像半监督分类差分进化

新型高光谱图像的超分辨率制图方法: 2012年; 由于高光谱图像的应用在很大程度上受限于其较低的空间分辨率,为此提出了一种结合支持向量机和小波变换的高光谱图像超分辨率制图方法.先对高光谱图像进行光谱解混得到分量图,然后对分量图进行一级小波分解.各局域窗内中心像元的3个高频系数与邻域像元低频系数之间的对应关系表示为训练样本,用于支持向量机的学习.训练好的模型用来对低分辨率图像即分量图进行超分辨率制图.实验表明,这种借助小波变换来获取训练样本的学习方法无需先验信息,相比采用BP神经网络学习的方法,支持向量机的超分辨率制图效果更佳.; 王群明王立国刘丹凤王正艳; 关键词：高光谱图像小波变换支持向量机

改进的SGA端元选择的快速方法被引量：2: 2010年; SGA算法因其自动性和高效性受到广泛欢迎,针对该算法包含大量的体积计算导致该算法的运算速度较慢的问题,采用在高维空间中构造超平面的方法,提出了一种SGA的改进方法.该改进算法把复杂的体积比较转化成简单的点到超平面的距离比较,从而将算法的复杂度由空间维度的3次关系降至线性关系.实验表明,快速SGA与原始SGA在端元选择的结果上保持一致,而在端元选择的速度上前者较后者有大幅度提高,尤其是要选择的端元数目越大时,效果越明显.; 王立国邓禄群张晶; 关键词：高光谱图像端元选择 SGA

改进的LLGC高光谱图像半监督分类被引量：2: 2017年; 针对高光谱数据波段多,地物标签获取代价高,带标记的样本数量少,分类过程中容易引起Hudges现象。本文提出一种基于改进的局部全局一致性(learning with local and global consistency,LLGC)算法的半监督分类方法。通过边缘采样法(margin sampling,MS)选取最富含信息量的无标签样本,加入到训练集来扩充训练样本;用KNN算法计算相似度进一步优选无标签样本,去除噪声点和存在的野值点;使用改进的局部全局一致性算法对无标签样本集进行分类标记,得到各类别的分类结果。实验结果表明,本文方法在充分利用无标签样本的情况下,有效地提高了带有少量标签样本的高光谱图像的分类精度。; 盛振国王立国; 关键词：半监督分类 KNN算法高光谱图像

基于线性光谱混合模型的光谱解混改进模型被引量：10: 2010年; 传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。; 王立国张晶

从端元选择到光谱解混的距离测算方法被引量：6: 2010年; 提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法,该方法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度;证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性,并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明,基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.; 王立国张晶刘丹凤王群明; 关键词：高光谱图像端元选择支持向量机

结合遗传算法和蚁群算法的高光谱图像波段选择被引量：38: 2013年; 随着遥感技术和成像光谱仪的发展,高光谱遥感图像的应用越来越广泛,但其自身的特点给高光谱图像的分类、识别等带来了很大的困难。如何快速地从高达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题分析了已有的波段选择方法,提出一种结合遗传算法和蚁群算法的高光谱图像波段选择方法。该算法首先利用遗传算法以较快的寻优能力获得几组较优解,以此来初始化蚁群算法的初始信息素列表,然后用蚁群算法以较高的求精解能力获得最优解,并且在遗传算法部分中采用四进制的编码方式,使得算法编/译码简单、遗传算子操作简捷、且处理时所占空间小,同时在蚁群算法部分中巧妙地对预处理图像进行子空间划分来缩小蚂蚁搜索的范围,提高了算法的搜索效率,减小了输出波段组合的相关性和冗余度。由于该算法充分地吸取遗传算法和蚁群算法的优点、克服各自的缺陷,是一种计算耗时少、收敛性能好的波段选择方法。利用AVIRIS(airborne visible infrared imaging spectrometer)图像对提出的算法进行实验,实验结果表明,本文算法在所选波段性能和计算耗时方面都获得令人满意的效果。; 王立国魏芳洁; 关键词：高光谱图像波段选择遗传算法蚁群算法

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

国家教育部博士点基金(200802171003)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

国家教育部博士点基金(200802171003)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈